Perpustakaan Digital ITB

Penyakit neurodegeneratif seperti Alzheimer's Disease (AD) dan Frontotemporal Dementia (FTD) memerlukan diagnosis dini non-invasif, namun banyak studi klasifikasi Electroencephalogram (EEG) melaporkan akurasi tinggi yang belum tentu valid akibat kebocoran data. Penelitian ini menganalisis fitur topologi Visibility Graph (VG) yang membedakan kelompok pada EEG stimulasi fotik, mengevaluasi kinerja model, serta mengukur pengaruh kebocoran data terhadap estimasi kinerja. Data sekunder berupa rekaman EEG dari 88 subjek (36 AD, 23 FTD, 29 kontrol sehat/CN) dengan stimulasi fotik pada 5, 10, 15, dan 20 Hz. Setelah pra-pemrosesan standar dan dekomposisi spektral, tiap epoch ditransformasikan menjadi VG; dari graf diekstraksi dua belas fitur topologi, diseleksi secara statistik (p<0,01), dan direduksi dengan Principal Component Analysis. Klasifikasi memakai Logistic Regression, Support Vector Machine, Linear Discriminant Analysis, dan Artificial Neural Network pada empat tugas (AD vs CN, FTD vs CN, AD vs FTD, dan tiga kelas). Evaluasi memakai Leave-One-Subject-Out (LOSO), dengan 8-fold cross-validation dan Repeated Random Sub-sampling 85/15 sebagai pembanding. Analisis stabilitas menunjukkan pola pita khas (theta pada AD vs CN, delta pada FTD vs CN), dengan fitur efisiensi, bilangan independensi, dan average clustering paling sering terpilih. AD vs CN paling dapat dibedakan (akurasi 64,29%; AUC 0,78), sedangkan FTD vs CN paling sulit (55,32%). Penempatan seleksi fitur di luar validasi meningkatkan akurasi rata-rata secara semu sekitar 42 poin. Fitur VG memiliki daya pisah moderat namun tidak terbias, menegaskan pentingnya validasi yang bersih dari kebocoran data.